La extracción de relaciones tiene como objetivo predecir el triple de relación entre la entidad de cola y la entidad de cabeza en un texto dado. Un gran número de trabajos adoptan el meta-aprendizaje para abordar el problema de poca cantidad de datos enfrentado por la extracción de relaciones, donde cada categoría de relación solo contiene pocos datos etiquetados para la demostración. A pesar de los resultados prometedores logrados por los métodos de meta-aprendizaje existentes, estos métodos aún tienen dificultades para distinguir las sutiles diferencias entre diferentes relaciones con expresiones similares. Sostenemos que esto se debe en gran medida a que estos métodos no pueden capturar características imparciales y discriminativas en el escenario de poca cantidad de datos. Para aliviar los problemas mencionados, proponemos una red de prototipos consciente de la taxonomía, que consta de un módulo de calibración consciente de la categoría y un módulo de estrategia de entrenamiento consciente de la tarea. El primero calibra implícita y explícitamente la representación del prototipo para volverse suficientemente imparcial y discriminativa. El último equilibra el peso entre instancias fáciles y difíciles, lo que permite que nuestra propuesta se enfoque en datos con más información durante la etapa de entrenamiento. Finalmente, se realizan experimentos exhaustivos en cuatro tareas meta típicas. Además, nuestra propuesta muestra superioridad sobre las líneas base competitivas con una mejora del 3.30% en términos de precisión promedio.